Créer des agents IA avec des motifs composables

Nous avons passé 3 jours à expérimenter les workflows et les pipelines d'agents dans n8n, en suivant les guides d'Anthropic et d'OpenAI sur la création d'agents IA efficaces.

Explorez les composants essentiels des agents IA, comment choisir les bons composants et outils, ainsi que la création de workflows d'agents basés sur les motifs simples et composables d'Anthropic, tels que l'enchaînement de prompts, le routage, la parallélisation, les travailleurs orchestrés et l'optimiseur-évaluateur :

Comprendre les composants des agents IA

La création d'agents consiste à connecter des composants dans plusieurs domaines tels que les modèles, les outils, les connaissances et la mémoire, les garde-fous. OpenAI propose des primitives composables pour chacun :

Source : OpenAI¹

Évidemment, OpenAI met ses propres produits en avant, mais il existe un large écosystème d'alternatives. Selon votre cas d'utilisation, vous pouvez créer des agents à l'aide de frameworks tels que LangChain, LlamaIndex, CrewAI, ou même des couches d'orchestration personnalisées.

Je vais entrer plus en détail sur chacun de ces composants :

Modèles

Tout d'abord, il y a le composant modèles. Ce sont vos modèles d'IA, vos grands modèles de langage qui constituent l'intelligence centrale capable de raisonner, de prendre des décisions et de traiter différentes modalités. Les exemples d'OpenAI pointent vers ses modèles de la série GPT-5.

Selon le type spécifique d'agent que vous créez, vous souhaiterez choisir un type de modèle différent au sein de l'écosystème OpenAI. GPT-5.5 est le modèle phare actuel d'OpenAI. Il planifie des tâches en plusieurs étapes, utilise des outils, vérifie son propre travail et continue jusqu'à ce qu'une tâche soit terminée. Pour les questions quotidiennes, les modes plus légers de GPT-5.5 répondent plus rapidement et coûtent moins cher.

En dehors de l'écosystème OpenAI, Claude Opus 4.7 est un choix courant pour le codage intensif, le raisonnement et les travaux STIM. Le modèle Gemini 3.1 Pro de Google est un concurrent sérieux, avec une fenêtre de contexte d'un million de tokens pour les grandes bases de code et les longs documents.

Pour les agents de codage en particulier, GPT-5.3-Codex d'OpenAI est son modèle de codage le plus performant. Il exécute de longues tâches mêlant recherche, utilisation d'outils et exécution, et vous pouvez le guider pendant son fonctionnement. Il domine les benchmarks comme SWE-Bench Pro et Terminal-Bench 2.0, qui testent le véritable génie logiciel et le travail en ligne de commande.

Nous avons évalué et comparé les meilleurs modèles d'IA pour vous aider à comprendre leurs performances en termes de raisonnement, de vitesse et de coût, afin que vous puissiez choisir celui qui correspond le mieux à vos objectifs.

Outils

Viennent ensuite les outils qui étendent les capacités du modèle, comme la recherche sur le web ou l'interaction avec d'autres systèmes.

Presque n'importe quelle application peut devenir un outil pour votre IA. Vous pouvez la connecter à Gmail, Calendar, votre drive ou des applications comme Slack, Discord, YouTube, Salesforce et Zapier. Vous pouvez même créer vos propres outils personnalisés.

Avec le SDK Agents d'OpenAI (qui nécessite un peu de codage), vous pouvez définir des outils ou utiliser ceux intégrés comme la recherche web, la recherche de fichiers et l'utilisation de l'ordinateur.²

MCP (Model Context Protocol) d'Anthropic simplifie également l'intégration des outils en standardisant la façon dont les modèles y accèdent. En 2026, la valeur métier provient de plus en plus de « chaînes d'assemblage numériques », des workflows en plusieurs étapes guidés par l'humain, où plusieurs agents exécutent des processus de bout en bout, rendus possibles par le Model Context Protocol (MCP).

Si vous n'êtes pas adepte du codage, les plateformes no-code telles que n8n vous permettent de glisser-déposer des outils pour les lier à votre modèle.

Connaissances et mémoire

Il existe deux principaux types de mémoire : la base de connaissances (mémoire statique) et la mémoire persistante.

• La base de connaissances donne à votre IA l'accès à des faits, des politiques et des documents statiques qui restent relativement inchangés. C'est essentiel pour les agents effectuant des tâches pilotées par des politiques ou spécifiques à l'entreprise, où les documents de référence doivent rester cohérents.
  
• La mémoire persistante permet à l'IA de se souvenir des interactions passées d'une session à l'autre. C'est crucial pour les chatbots ou les assistants personnels qui doivent se rappeler des conversations précédentes.

OpenAI propose des services hébergés tels que les vector stores, la recherche de fichiers et les embeddings pour gérer la mémoire.

Si vous préférez les solutions open-source, Pinecone (natif cloud et optimisé pour la recherche vectorielle) et Weaviate sont des options populaires.

Pour ceux utilisant des outils no-code, la gestion de la mémoire est généralement intégrée dans des plateformes comme n8n et Creatio.

Garde-fous

Les garde-fous garantissent que votre agent se comporte comme prévu, en évitant les réponses non pertinentes, nuisibles ou inappropriées. Par exemple, un bot de service client doit rester concentré sur les sujets liés au service et ne pas dériver vers des thèmes sans rapport.

En dehors de l'écosystème d'OpenAI, les outils populaires incluent Guardrails IA et les garde-fous de LangChain. De nombreuses plateformes no-code intègrent des fonctionnalités de garde-fous, mais il est toujours important de comprendre leur fonctionnement pour maintenir le contrôle et la conformité de vos agents.

Compétences

Les outils permettent à un agent d'agir sur le monde extérieur. Les compétences apprennent à l'agent comment bien faire un travail spécifique.

Une compétence est un petit dossier d'instructions et de fichiers. Il contient les étapes, les règles et les exemples pour une tâche, comme remplir un modèle de rapport ou suivre le guide de style d'une entreprise. L'agent charge une compétence lorsque la tâche l'exige, afin de ne pas encombrer la fenêtre de contexte.

Anthropic a introduit les compétences d'agent fin 2025 et a ouvert le format en tant que standard partagé en mars 2026.³ Les compétences fonctionnent sur Claude.ai, Claude Code et l'API. Le principal avantage est la cohérence : au lieu de réécrire le même long prompt à chaque fois, une équipe définit une compétence une fois et la réutilise. Cela est important en production, où le prompting ad hoc a tendance à dériver.

Comment les compétences diffèrent des autres composants :

• Les outils connectent l'agent aux systèmes externes (e-mail, bases de données, recherche).
• Les connaissances et la mémoire donnent à l'agent des faits à lire.
• Les compétences donnent à l'agent une méthode reproductible pour une tâche.

Orchestration

Le dernier composant est l'orchestration. Cela consiste à gérer la collaboration de plusieurs sous-agents, à les déployer en production et à surveiller leurs performances.

Une fois déployés, les agents nécessitent une supervision continue. Les modèles, les données et les comportements évoluent, donc les agents ont besoin de mises à jour régulières.

Plusieurs plateformes et frameworks prennent en charge l'orchestration, notamment :

• Plateformes low-code/no-code :
  • Stack AI
  • Microsoft Copilot Studio Agent Builder
  • Relevance IA, etc
• Frameworks open source :
  • LangGraph (qui fait partie de LangChain) : modélise un agent sous forme de graphe d'étapes, avec un contrôle explicite des branchements, des nouvelles tentatives et des points de contrôle humains.
  • CrewAI : organise les agents en une « équipe » de rôles, comme chercheur, rédacteur et relecteur. Il est rapide à prototyper lorsque le travail se divise en rôles clairs.
  • LlamaIndex : le plus performant pour les agents qui recherchent dans des documents et des bases de connaissances internes.
  • SDK des fournisseurs : le SDK Agents d'OpenAI et le SDK Agent Claude d'Anthropic sont des boîtes à outils officielles pour créer des agents sur les modèles de chaque fournisseur. Le SDK Agent Claude est la même architecture qui alimente Claude Code.

Blocs de construction de l'automatisation : workflows vs agents

Un agent IA est un système qui perçoit son environnement, traite des informations et prend de manière autonome des actions pour atteindre des objectifs spécifiques, tels que les agents de codage comme Cursor ou Windsurf, des éditeurs de code alimentés par l'IA avec des « modes agent » capables d'effectuer de manière autonome des tâches de codage à l'aide de modèles tels que Claude Opus 4.7. Un autre exemple courant est celui des agents du service client, que de nombreuses entreprises utilisent pour traiter les demandes.

Il existe de nombreuses façons de concevoir et de déployer ces agents, en fonction de la complexité du workflow et du degré d'autonomie requis.

Pour donner un aperçu rapide, un agent IA est souvent une collection de sous-agents, chacun effectuant des tâches spécifiques. Together, ces sous-agents se coordonnent au sein de systèmes multi-agents pour fournir ce que nous percevons comme un seul agent IA.

Ils sont fondamentalement différents des workflows. Les workflows sont des séquences orchestrées d'étapes prédéfinies, comme une recette qui suit toujours le même ordre :

Quand utiliser des agents IA

Avant les exemples de workflows, voici une petite vérification de la réalité. Les agents ne sont pas toujours la solution. De nombreuses équipes obtiennent encore de bons résultats avec de simples workflows, même pour des tâches où un agent pourrait, en théorie, fonctionner. De nombreuses équipes constatent que les workflows traditionnels fonctionnent bien, même dans des scénarios où les agents pourraient, en théorie, être appliqués.

L'une des façons les plus claires de penser à cela, décrite dans le blog d'Anthropic, est la suivante :

Cela dit, il existe de réelles situations où les agents surpassent les workflows traditionnels dans des tâches qui exigent de la flexibilité, du raisonnement et de l'adaptabilité :

Conversations dynamiques nécessitant des adaptations :

Certaines interactions, comme les demandes de remboursement de base ou de réinitialisation de mot de passe, s'intègrent parfaitement dans des workflows. Mais d'autres nécessitent un jugement nuancé ou des décisions sensibles au contexte, comme des recommandations personnalisées, qui dépendent fortement du contexte et d'un raisonnement en va-et-vient.

Prise de décision à forte valeur et faible volume :

Les agents peuvent être coûteux à exécuter, mais dans certains cas, les décisions qu'ils soutiennent sont bien plus coûteuses si elles sont mal prises.

Par exemple, BCG a rapporté qu'un fournisseur d'énergie de premier plan en Allemagne a utilisé un outil agentique piloté par l'IA générative pour automatiser les examens de paiement.⁴

Si vous planifiez une infrastructure à grande échelle, comme l'optimisation de conceptions techniques, le coût du calcul est négligeable. Dans ces cas à enjeux élevés, les agents apportent de la valeur car le coût d'une erreur dépasse de loin le coût d'exécution du modèle.

Workflows en plusieurs étapes et imprévisibles :

Certains workflows sont trop complexes, où l'écriture de règles infinies « si ceci, alors cela » devient un projet à part entière.

Dans ces cas, les boucles agentiques simplifient le chaos. Au lieu de coder en dur chaque chemin possible, le modèle décide dynamiquement de l'étape suivante en fonction du contexte et du raisonnement en temps réel.

Cette approche fonctionne bien pour les systèmes de diagnostic ou les outils qui gèrent des dizaines de variables changeantes.

Quand les workflows sont meilleurs

Scénarios à haute fréquence et faible complexité :

Certaines tâches dépendent plus de la vitesse et de l'échelle que du raisonnement, comme :

• Récupérer des informations à partir d'une base de données
• Analyser des messages ou des e-mails structurés
• Répondre à des questions de type FAQ

Un workflow pourrait traiter des milliers de ces demandes, avec un coût et une latence plus prévisibles qu'un agent.

Introduction aux workflows et aux implémentations d'agents IA

Les agents IA ne sont généralement pas une entité unique. Ils sont plutôt composés de divers sous-agents qui interagissent les uns avec les autres. L'une des meilleures ressources que j'ai trouvées sur les workflows courants et les systèmes d'agents est le guide Building Effective Agents d'Anthropic.⁵

Au cœur des systèmes agentiques se trouve ce qu'Anthropic appelle le LLM augmenté. Cette structure se compose de trois éléments clés :

• l'entrée,
• le LLM (LLM),
• et la sortie.

Source : Anthropic⁵

Le LLM augmenté est capable de générer ses propres requêtes de recherche, de sélectionner les outils pertinents et de décider quelles informations stocker en mémoire.

Vous remarquerez peut-être des similitudes avec les composants d'OpenAI (comme décrit ci-dessous). Cependant, cette version est plus simplifiée et manque d'éléments comme les garde-fous et l'orchestration, mais la structure de base reste la même. C'est tout à fait acceptable. Pour des tâches telles que les tests et le déploiement, il est préférable de se référer aux composants d'OpenAI.

OpenAI – liste des composants d'agent IA¹

Pour comprendre comment ces sous-agents s'assemblent et interagissent pour former un agent IA plus grand, je commence par les workflows les plus simples et progresse progressivement vers des systèmes plus complexes et entièrement autonomes :

1. Workflows agentiques simples (enchaînement de prompts)

Le workflow agentique le plus simple est appelé l'enchaînement de prompts. Dans ce processus, une tâche est décomposée en une série d'étapes, où chaque sous-agent traite la sortie du précédent.

À la base, il fonctionne comme une chaîne de montage, mais vous pouvez introduire des points de décision pour rediriger le flux si nécessaire. Le schéma général reste le même : une entrée est traitée par un sous-agent, qui transmet le résultat à un autre sous-agent pour un traitement ultérieur, et ainsi de suite, jusqu'à ce que la sortie finale soit produite. Cette méthode est particulièrement utile pour les tâches qui peuvent être facilement divisées en sous-tâches plus petites et séquentielles.

Le workflow d'enchaînement de prompts⁵

Exemple concret :⁶

Enchaînement de prompts dans n8n (plan, évaluation et publication vers des feuilles)

Dans l'exemple ci-dessus, l'utilisateur saisit un sujet dans la fenêtre de chat n8n. Chaque nœud LLM utilise le modèle Azure OpenAI.

Le premier LLM génère un plan structuré pour un article de blog. Le prompt pour le rédacteur de plan est le suivant :

Capture d'écran du prompt pour le générateur de plan LLM

Où {{ $json.chatInput }} fait référence au sujet saisi par l'utilisateur dans la fenêtre de chat.

La variable {{ $json.chatInput }} est grise car le workflow n'a pas encore été exécuté. Si nous avions exécuté ou testé le nœud, elle serait verte ou rouge, selon la validité de la variable.

Ensuite, le LLM suivant évaluera le plan en fonction de critères clés dans la section du message système. Le prompt se trouve ci-dessous :

Le LLM rédacteur de blog final ajoutera une ligne dans une feuille sur le sujet en fonction du plan créé par le LLM précédent.

Capture d'écran du prompt pour le LLM rédacteur de blog

Quand utiliser l'enchaînement de prompts :

• Les tâches peuvent être naturellement décomposées en sous-tâches fixes et séquentielles
• Chaque étape contribue de manière significative à la sortie finale
• Le raisonnement étape par étape améliore la précision par rapport à un traitement direct
• Des points de contrôle qualité sont nécessaires tout au long du processus

2. Workflow de routage

Le routage est un autre type de workflow où une entrée est reçue, et un sous-agent est chargé de diriger cette entrée vers la tâche de suivi appropriée. Chaque tâche est ensuite traitée par un sous-agent spécialisé dans ce domaine, et une fois les tâches terminées, la sortie finale est générée.

Un exemple classique de routage se trouve dans les bots de service client. Le bot peut recevoir divers types de demandes, comme des questions générales, des demandes de remboursement ou des problèmes de support technique. Le premier sous-agent identifie la nature de la demande et la route vers le sous-agent spécialisé dans le traitement de ce problème particulier.

Par exemple, si la demande concerne un remboursement, elle sera routée vers le sous-agent spécialiste des remboursements, tandis qu'une question de support technique sera dirigée vers le sous-agent de support technique.

Un autre exemple consiste à router les questions vers différents modèles en fonction de leurs points forts. Pour les questions STIM plus complexes, vous pouvez router l'entrée vers un modèle de raisonnement puissant comme Claude Opus 4.7. Pour des requêtes simples et rapides, vous pouvez la router vers un modèle plus léger comme Gemini 3.5 Flash, conçu pour la vitesse.

Exemple concret :⁷

Dans l'exemple ci-dessus, l'agent route l'entrée utilisateur vers des agents spécialisés (comme un agent de rappel, un agent d'e-mail, etc.) à l'aide d'une sortie structurée d'un modèle de langage.

Le routeur est connecté à GPT 4o mini. Le prompt et les catégories sont les suivants :

Capture d'écran des paramètres du nœud d'agent IA

Exemples de cas d'utilisation :

Vous pouvez saisir une requête dans la fenêtre de chat n8n. Par exemple :

• L'utilisateur dit : « Rappelle-moi d'appeler ma mère demain. »
  → Routé vers l'Agent de rappel
• L'utilisateur dit : « Envoie un e-mail à l'équipe RH. »
  → Routé vers l'Agent d'e-mail
• L'utilisateur dit : « Planifie une réunion avec Jean la semaine prochaine. »
  → Routé vers l'Agent de réunion

Quand utiliser le routage :

• Types d'entrées diversifiés : Votre système reçoit différents types de demandes qui bénéficient d'un traitement spécialisé
• Optimisation des ressources : Vous souhaitez attribuer les requêtes simples à des processeurs économiques tout en routant les demandes complexes vers des systèmes avancés
• Spécialisation par domaine : Différentes catégories d'entrées nécessitent une expertise ou une logique de traitement spécifiques au domaine
• Optimisation des performances : Vous devez équilibrer la charge et garantir des temps de réponse optimaux pour différents types de requêtes

3. Workflow de parallélisation

Le workflow suivant est la parallélisation. Ce workflow agentique spécifique a généralement deux variantes principales. Dans la parallélisation, plusieurs sous-agents travaillent sur une tâche simultanément, puis leurs sorties sont combinées.

• La première variante est appelée sectionnement, où une tâche est décomposée en sous-tâches indépendantes qui s'exécutent en parallèle.
• La deuxième variante est le vote, où la même tâche est exécutée plusieurs fois par différents sous-agents pour produire des sorties diverses, qui sont ensuite agrégées.

Cela accélère les grands workflows en exécutant des tâches indépendantes en même temps.

Workflow séquentiel vs workflow parallèle : une comparaison temporelle⁸

Exemple concret :⁸

Capture d'écran de l'exemple de workflow de parallélisation dans n8n

L'exemple d'exécution parallèle dans n8n illustre une tâche où le workflow interroge la recherche Google à l'aide de l'API SERP pour récupérer des URLs LinkedIn et les stocker dans une feuille Google Sheet. Dans la configuration initiale, le workflow traite chaque tâche séquentiellement, un site web à la fois :

1. Le workflow est déclenché.
2. L'outil Get récupère le site web depuis la feuille Google Sheet.
3. L'agent IA utilise l'API SERP pour rechercher dans Google et récupérer l'URL LinkedIn.
4. L'URL LinkedIn est ensuite mise à jour dans la feuille Google Sheet.

À ce stade, les tâches sont traitées l'une après l'autre, ce qui peut être lent avec de grands ensembles de données.

n8n a cette fonctionnalité qui vous permet de sélectionner des nœuds, de cliquer, puis de dire que vous voulez convertir ces nœuds sélectionnés en un sous-workflow.

Et ce qui se passe, c'est que lorsque vous cliquez sur ce bouton, il va nommer mon workflow. Lorsque vous confirmez, il transforme tout cela en un sous-workflow, et il est lié ici même et appelé par ce nœud.

Le sous-workflow créé

Donc n8n a transformé cela en un sous-workflow, mais vous n'avez pas encore de parallélisation car il s'exécuterait toujours tout ici.

Pour que cela s'exécute réellement en parallèle, tous les éléments doivent s'exécuter en tant qu'exécutions individuelles. Ainsi, lorsque vous cliquez sur le nœud, vous pouvez choisir exécuter une fois pour chaque élément, ce qui signifie qu'il va appeler le sous-workflow individuellement pour chaque élément.

Et puis, une fois que vous avez modifié cela, vous pouvez aller dans le sous-workflow et cliquer sur exécutions. Et vous allez voir que les trois éléments s'exécutent exactement au même moment.

Quand utiliser la parallélisation : La parallélisation est la plus efficace lorsque les tâches peuvent être divisées en sous-tâches plus petites et indépendantes qui peuvent s'exécuter simultanément, améliorant à la fois la vitesse et l'efficacité.

Elle est également précieuse lorsque plusieurs perspectives ou tentatives répétées sont nécessaires pour renforcer la confiance dans les résultats. Pour les problèmes comportant plusieurs parties ou critères de notation, les modèles obtiennent souvent de meilleurs résultats lorsque chaque partie fait l'objet d'un appel distinct. Cela permet que chaque appel reste concentré, rendant le raisonnement plus précis.

4. Workflow orchestrateur-travailleurs

Le workflow suivant, qui devient plus complexe, est le modèle orchestrateur-travailleur.

L'architecture orchestrateur-travailleur rend vos workflows n8n modulaires, évolutifs et adaptatifs, transformant une automatisation rigide unique en un système composable d'agents coopérants.

À première vue, cela peut ressembler à la parallélisation puisque plusieurs sous-agents peuvent être actifs, mais la distinction clé est la flexibilité. Contrairement à la parallélisation, la configuration orchestrateur-travailleur ne repose pas sur une liste fixe de sous-tâches. Au lieu de cela, l'orchestrateur décide dynamiquement quelles tâches doivent être effectuées, les attribue aux agents travailleurs et gère leur coordination tout au long du processus.

Exemple concret :⁹

Capture d'écran de l'exemple de workflow orchestrateur-travailleurs dans n8n

Dans l'exemple ci-dessus, le brief est collecté une fois et un orchestrateur route le travail vers plusieurs agents spécialisés.

L'agent PDG agit en tant qu'orchestrateur LLM. Il traite le brief d'entrée, le raffine pour chaque département, sélectionne les agents travailleurs à activer et détermine comment leurs sorties seront intégrées. Il peut décider d'appeler un, deux ou tous les travailleurs en fonction du contexte et des contraintes.

Capture d'écran du nœud Agent PDG

Ci-dessous, trois agents travailleurs, Marketing, Opérations et Finance, exécutent chacun leur propre modèle de chat OpenAI avec des configurations de mémoire et d'outils distinctes. Cela permet des prompts et des schémas JSON spécifiques au département pour une sortie structurée.

Capture d'écran des trois nœuds d'agents travailleurs

Une fois que l'orchestrateur a préparé les instructions spécifiques au département, il invoque chaque travailleur comme un outil pour générer des sorties à partir des entrées.

Par exemple, l'agent Marketing crée des campagnes (nom, canal, KPI).

Nœud d'outil IA (Agent Marketing)

Une fois les sorties des travailleurs générées, l'agent PDG compile et fusionne les réponses des départements en un plan unique et cohérent. Le workflow écrit ensuite le plan dans un document Google Docs, ajoute des métadonnées, le convertit en PDF et le télécharge automatiquement pour partage ou révision.

Capture d'écran des nœuds de création, conversion et téléchargement de document

Lors de l'exécution, l'orchestrateur détermine quels agents activer, coordonne leur collaboration et combine leurs sorties en un rapport complet, démontrant comment les workflows orchestrateur-travailleur permettent des systèmes d'IA flexibles, modulaires et composables.

Quand utiliser le workflow orchestrateur-travailleurs : Cette approche est particulièrement précieuse pour résoudre des problèmes ouverts ou évolutifs où les étapes nécessaires ne peuvent pas être connues à l'avance.

Exemples où le workflow orchestrateur-travailleur est utile :

• Tâches de codage : Lors du développement ou du débogage de produits logiciels complexes nécessitant des modifications coordonnées sur plusieurs fichiers, où les fichiers et les modifications exactes peuvent être déterminés en cours d'exécution.
• Recherche et collecte d'informations : Dans les tâches impliquant la recherche, la collecte et l'analyse de données provenant de multiples sources, où les informations pertinentes ne peuvent pas être entièrement identifiées à l'avance et doivent être découvertes dynamiquement.

5. Workflow évaluateur-optimiseur

Encore plus complexe est le workflow évaluateur-optimiseur. Cette configuration évolue vers un comportement plus autonome, donnant au sous-agent ou à l'agent IA une plus grande liberté pour décider des actions à entreprendre et de la manière d'améliorer ses propres sorties.

Vous commencez par une entrée, et le premier sous-agent génère une solution proposée. Cette sortie est ensuite transmise à un sous-agent évaluateur, qui examine le résultat. Si l'évaluateur le juge satisfaisant, la sortie est finalisée. Mais s'il détermine que le résultat n'est pas assez bon, il le renvoie au premier sous-agent avec des commentaires spécifiques pour l'amélioration.

Cela crée une boucle de rétroaction continue dans laquelle l'optimiseur affine itérativement sa sortie jusqu'à ce que l'évaluateur détermine qu'elle répond aux normes de qualité requises.

Exemple concret :¹⁰

Pour cet exemple, j'ai parcouru une simulation Python, plutôt qu'un outil no-code, afin de montrer directement les schémas d'évaluation, la logique personnalisée et les boucles itératives.

Ce n'est pas une configuration complète. Pour exécuter le workflow évaluateur-optimiseur de bout en bout, vous aurez besoin d'une configuration d'environnement appropriée, d'une initialisation de modèle et d'une configuration de schéma, etc.

Vous pouvez également implémenter une boucle évaluateur-optimiseur à l'aide d'outils d'automatisation de workflows prenant en charge les nœuds d'évaluation.

Workflow évaluateur-optimiseur avec Python :

Un exemple de boucle évaluateur-optimiseur, un motif courant dans les systèmes d'IA auto-réflexifs ou les workflows agentiques

Ce workflow représente une boucle automatisée de génération et d'évaluation de contenu où deux composants collaborent : l'un crée, l'autre examine. Il garantit que les sorties répondent aux normes de qualité avant la finalisation.

Explication étape par étape :

• Initialiser l'entrée : Créer initial_state = {“content_topic”: topic}.
• Exécuter la boucle : Appeler evaluator_optimizer_workflow.invoke(initial_state) qui, de manière itérative :
  • génère/affine le contenu,
  • évalue la qualité,
  • répète jusqu'à approbation ou jusqu'à une limite maximale d'itérations.
• Journaliser le résultat : Afficher le message de fin et le generated_content approuvé.
• Retourner les résultats : Dictionnaire final_state (par exemple, content_topic, generated_content, quality_assessment).

Visualisation du workflow :

Boucle évaluateur-optimiseur avec les résultats Python : Chaque cycle utilise les commentaires précédents pour améliorer le contenu. La boucle finit par produire un contenu qui répond à la norme de qualité :

Quand utiliser le workflow évaluateur-optimiseur : Ce workflow est particulièrement utile lorsqu'il existe des critères d'évaluation clairs et que le raffinement itératif peut conduire à des améliorations significatives de la qualité.

Exemples où le workflow évaluateur-optimiseur est utile :

• Par exemple, dans une tâche de traduction littéraire, la première tentative peut manquer certaines nuances linguistiques ou tonalités émotionnelles. L'évaluateur fournirait des commentaires et demanderait des révisions jusqu'à ce que la traduction capture pleinement le sens et les subtilités du texte original.
• Un autre exemple est l'agrégation de recherche complexe, où l'optimiseur recueille et résume les informations tandis que l'évaluateur vérifie la profondeur, l'exhaustivité et l'exactitude. Si l'évaluateur juge la recherche insuffisante, il la renvoie pour un travail supplémentaire jusqu'à ce que le rapport final réponde à toutes les exigences et synthétise efficacement les informations nécessaires.

6. Implémentation d'un agent véritablement autonome

Et enfin, il y a l'implémentation d'un agent véritablement autonome. Ce type de système est conceptuellement simple mais peut produire des comportements très divers et complexes dans la pratique.

L'agent commence son fonctionnement avec une intervention humaine minimale, généralement une seule instruction ou un objectif. Une fois la tâche définie, il fonctionne de manière indépendante, en prenant des actions et en observant leurs effets sur l'environnement.

Une caractéristique clé de cette approche est l'auto-évaluation : l'agent doit déterminer, en fonction des retours de l'environnement, si ses actions le rapprochent de l'objectif. Par exemple, s'il exécute du code ou utilise des outils externes, il doit évaluer si ces actions contribuent à la progression ou si des ajustements sont nécessaires. Ce cycle piloté par le feedback se poursuit jusqu'à ce que l'agent détermine que l'objectif a été atteint ou qu'aucun progrès supplémentaire n'est possible.

Exemple concret :

Dans notre benchmark des outils de codage IA, nous avons observé que Windsurf et Cursor ont démontré des capacités agentiques en créant de manière autonome des structures de fichiers, en éditant plusieurs fichiers et en exécutant des commandes de terminal pour déployer des APIs sur Heroku.

Windsurf s'est même adapté aux changements récents de la plateforme : lorsqu'il a découvert que l'add-on PostgreSQL Hobby Dev était obsolète, il a correctement reconfiguré le déploiement pour utiliser PostgreSQL Essential 0.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Résumé

La création d'agents IA consiste moins à atteindre une autonomie totale qu'à créer des systèmes déterminés, transparents et fiables. Grâce à nos expériences dans n8n et aux enseignements tirés des guides d'Anthropic et d'OpenAI, nous avons constaté que les agents efficaces découlent de choix de conception.

Lors de la mise en œuvre d'agents, nous concentrons sur trois principes directeurs :

• Garder l'architecture simple. Commencez petit, construisez de manière modulaire et introduisez de la complexité uniquement lorsqu'elle améliore clairement les performances ou la flexibilité.
• Rendre le processus de raisonnement visible. Permettez aux utilisateurs et aux développeurs de voir comment l'agent planifie et prend des décisions, améliorant ainsi l'interprétabilité et le contrôle.
• Assurer des interactions fiables avec les outils. Concevez des outils clairement définis, bien documentés et testés afin que les agents puissent agir de manière cohérente dans des environnements réels.

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and PhD., Ezgi Arslan,},
  title  = {{Créer des agents IA avec des motifs composables}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/building-ai-agents}},
  note   = {AIMultiple. Consulté le 29 Juillet 2026}
}

Liens de référence

1.

OpenAI Platform

2.

OpenAI Agents SDK

3.

PurpleBox Website

PurpleBox Security

4.

How Four Companies Use AI for Cost Transformation | BCG

Boston Consulting Group

5.

Building Effective AI Agents \ Anthropic

6.

Generate blogs with GPT-4o prompt chaining: outline, evaluate & publish to Sheets | n8n workflow template

7.

Route user requests to specialized agents with GPT-4o Mini | n8n workflow template

8.

n8n Parallel Execution and Sub Workflows for Faster Modular Automation - YouTube

9.

Collaborative sales planning with multi-agent AI, Google Docs, and Slack | n8n workflow template

10.

Agentic AI Workflow Patterns: Evaluator-Optimizer (4/4) | by Piyush Agnihotri | The Advanced School of AI | Medium

The Advanced School of AI

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017. AIMultiple informe des centaines de milliers d'entreprises (selon SimilarWeb) dont 60 % du Fortune 500 chaque mois.

Les travaux de Cem ont été cités par des publications internationales de premier plan telles que Business Insider, Forbes, Washington Post, des entreprises mondiales comme Deloitte, HPE et des ONG comme le Forum économique mondial et des organisations supranationales comme la Commission européenne.

Tout au long de sa carrière, Cem a exercé en tant que consultant tech, acheteur tech et entrepreneur tech. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus d'une décennie. Il a également publié un rapport McKinsey sur la numérisation.

Il a dirigé la stratégie technologique et les achats d'un opérateur télécom tout en rendant compte au PDG. Il a également mené la croissance commerciale de l'entreprise deep tech Hypatos qui a atteint un chiffre d'affaires récurrent annuel à 7 chiffres et une valorisation à 9 chiffres à partir de 0 en 2 ans. Le travail de Cem chez Hypatos a été couvert par des publications technologiques de premier plan comme TechCrunch et Business Insider.

Cem intervient régulièrement lors de conférences technologiques internationales. Il est diplômé de la Bogazici University en tant qu'ingénieur informatique et détient un MBA de la Columbia Business School.

Voir le profil complet

Recherche effectuée par

Ezgi Arslan, PhD.

Analyste industriel

Suivre

Ezgi est titulaire d'un doctorat en administration des affaires avec une spécialisation en finance et travaille comme analyste industriel chez AIMultiple. Elle mène des recherches et des analyses à l'intersection de la technologie et des affaires, avec une expertise couvrant la durabilité, les enquêtes et l'analyse de sentiment, les applications d'agents d'IA en finance, l'optimisation des moteurs de réponse, la gestion des pare-feux et les technologies d'approvisionnement.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire